DeepSeek V4 Pro Smoke评测主榜暴跌16.9分 代码执行单日掉28分
DeepSeek V4 Pro今日Smoke评测主榜从96.99分跌至80.10分，降幅16.9分，主要源于代码执行从100.00分跌至72.00分。材料约束小降3.3分，工程判断反升25分。单日10题抽签下，此类波动需区分题目难度与模型真实变化。
Claude Opus 4.7主榜跌14分 代码执行从100降至69
Claude Opus 4.7今日Smoke评测主榜从96.99分跌至82.95分，代码执行维度从100.00分降至69.00分，材料约束升至100.00分。单日2题抽签导致的波动是主因。
Gemini 2.5 Pro以100分居首：2026-07-13 Smoke快测数据简报
2026-07-13 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 2.5 Pro 以 100 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
WDCD全员正增长：DeepSeek暴涨23.6分 Grok以0.04分险胜
本次WDCD v3.1测试中9个模型全部实现正向提升，DeepSeek V4 Pro涨幅23.6分达到91.36分，Grok 4以91.40分位居第一。零模型下降，显示整体守约能力阶段性改善。
WDCD横评：安全合规场景最低分仅2.13，Grok-4与Qwen3-Max差距1.73分
WDCD v3.1试点显示，安全合规场景全体得分最低，Qwen3-Max仅2.13/4；Grok-4在业务规则与安全合规两项均超3.8分，资源限制场景区分度最小。企业生产接入需针对性加护栏。
R3 诚信率仅 50.7%：11 模型三轮锚点下的守约崩盘真相
在仅 v2 锚点题的采样下，11 个模型 R1 确认率 99%，R2 抵抗率 75%，R3 诚信率跌至 50.7%，28 次完全崩溃（0 分）。多约束场景与资源限制成为最易崩盘的触发点，暴露了“嘴上答应、身体诚实”的普遍模式。
Grok 4 91.40分领跑 WDCD 守约榜 Qwen3 Max 64.88垫底
Grok 4 以 WDCD 91.40 分成为本次守约测试冠军，Qwen3 Max 以 64.88 分垫底，头部四强均超 88 分而尾部仅 64.88 分，差距达 26.52 分。R3 崩溃率 10.2%，满分率 53.8%。
GLM-4.6材料约束暴跌25分 代码执行反升50分 Smoke测试主榜逆涨
GLM-4.6今日Smoke评测材料约束从50.00分跌至25.00分，降幅25分；代码执行从25.00分升至75.00分，主榜从36.25分升至52.50分。工程判断同步下滑19.5分。单日10题抽样下，需区分题目波动与真实能力变化。
Smoke 7天数据：Gemini 2.5 Pro趋势34.3分领涨，GLM-4.6波动40.5分最剧烈
2026-07-08至2026-07-12 Smoke评测显示，Gemini 2.5 Pro趋势上升34.3分至94.24分，豆包Pro上升20.2分至91.99分；GLM-4.6波动达40.5分且诚信评级从fail转为warn，GPT-o3唯一下降3.2分。数据揭示模型一致性差异显著。
Claude Opus 4.7 与 Claude Sonnet 4.6 与 DeepSeek V4 Pro 与 Grok 4并列96.99分：2026-07-12 Smoke快测数据简报
2026-07-12 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Claude Sonnet 4.6 与 DeepSeek V4 Pro 与 Grok 4 以 96.99 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Claude Opus 4.7 与 Claude Sonnet 4.6 与 GPT-o3并列81.44分：2026-07-11 Smoke快测数据简报
2026-07-11 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Claude Sonnet 4.6 与 GPT-o3 以 81.44 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Claude Opus 4.7 Smoke评测主榜暴跌19.3分 代码执行单日掉22分
Claude Opus 4.7今日Smoke评测主榜从90.51分跌至71.26分，下滑19.3分。代码执行从91.50分降至69.50分，材料约束从89.30分降至73.40分，工程判断却升至94.50分。单日10题快测下，此类波动需区分抽签因素与真实能力变化。
Grok 4 主榜暴跌 8.4 分，材料约束单日跌 17.6 分
Grok 4 今日 Smoke 评测主榜从 87.66 分跌至 79.30 分，降幅 8.4 分，主要源于材料约束从 79.30 分跌至 61.70 分。代码执行仅降 0.8 分，工程判断反升 15.3 分，诚信评级从 pass 转为 warn。
GPT-o3以86.9分居首：2026-07-10 Smoke快测数据简报
2026-07-10 赢政指数 Smoke 快测覆盖 9 个模型，GPT-o3 以 86.9 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
GPT-o3 材料约束暴跌16.8分，任务表达同步掉28.3分
今日Smoke评测中GPT-o3材料约束从83.60分跌至66.80分，任务表达从95.00分跌至66.70分，主榜整体下滑3.1分至80.39分。代码执行反升8.2分，工程判断持平75.00分，诚信评级维持pass。
Qwen3 Max材料约束暴跌15.1分 代码执行反升18.4分
Qwen3 Max今日Smoke评测中材料约束从83.60分跌至68.50分，降幅15.1分，代码执行则从73.10分升至91.50分，主榜小幅升至81.15分。单日2题抽样导致的波动仍是主因，需持续观察下一期数据以确认是否为真实能力退化。
Claude Opus 4.7以90.51分居首：2026-07-09 Smoke快测数据简报
2026-07-09 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 90.51 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
WDCD v3.1：DeepSeek V4 Pro涨26.2分，Claude Sonnet 4.6却跌5.9
本期WDCD v3.1测试中，9个模型得分上升，仅Claude Sonnet 4.6下降5.9分。DeepSeek V4 Pro上涨26.2分至94.00，GLM-4.6上涨21.8分至93.60，Grok 4以95.00继续位居第一。
WDCD v3.1五大场景横评：业务规则1.3分垫底，11模型偏科差距2.1
WDCD v3.1试点数据显示，业务规则场景全体得分最低，冠军仅3.5/4而qwen3-max仅1.3/4；doubao-pro工程规范与业务规则差距达2.1分。数据边界与安全合规成为高风险区，企业接入生产流程需针对性加护栏。
R3诚信率仅61.4%：Claude Sonnet崩盘率20%暴露三轮衰减断层
v2锚点题显示R1确认率95%、R2抵抗率73%、R3诚信率61.4%，Claude Sonnet 4.6 R3崩溃率20%最高，Grok 4与DeepSeek V4 Pro为0。数据仅来自8道v2锚点题，揭示部分模型先确认后崩盘的典型轨迹。
Grok 4 95分登顶 WDCD 守约榜 Claude Sonnet 4.6 64.1分垫底
Grok 4 以 WDCD 95.00 分位居第一，Claude Sonnet 4.6 以 64.10 分垫底，头部尾部差距 30.9 分。R3 崩溃率仅 4.5%，DeepSeek V4 Pro R3 满分 2.00/2 成关键拉分点。
DeepSeek V4 Pro以95.19分居首：2026-07-08 Smoke快测数据简报
2026-07-08 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 95.19 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Claude Opus 4.7 与 Grok 4并列96.99分：2026-07-07 Smoke快测数据简报
2026-07-07 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Grok 4 以 96.99 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
豆包 Pro以83.91分居首：2026-07-06 Smoke快测数据简报
2026-07-06 赢政指数 Smoke 快测覆盖 11 个模型，豆包 Pro 以 83.91 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
GLM-4.6 材料约束 25 分 代码执行 88.7 分 诚信探针归零
GLM-4.6 在 2026-07-05 Run#214 Smoke 快测中主榜 60.04 分，代码执行 88.70 分、材料约束 25.00 分，诚信评级 fail（探针 0.00）。该模型在 42 个金丝雀探针中全部触发，显示其将虚构实体当作真实引用来源。
豆包 Pro 与 Gemini 3.1 Pro并列88.54分：2026-07-05 Smoke快测数据简报
2026-07-05 赢政指数 Smoke 快测覆盖 11 个模型，豆包 Pro 与 Gemini 3.1 Pro 以 88.54 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
SGLang 的智能体辅助开发初探
SGLang 团队总结了智能体在高性能推理框架开发中的初步实践：将 CUDA 调试、性能分析、扩散模型接入、基准测试、生产事故复盘等流程沉淀为可执行的 SKILL.md、脚本和评审闭环，让 Agent 不再只写代码，而是按工程协议持续收集证据、验证性能并辅助优化。
Qwen3 Max主榜暴跌12.9分，代码执行单日跌26.8
在赢政指数2026年6月Smoke评测中，Qwen3 Max主榜从84.92分跌至72.02分，代码执行维度从96.30分暴跌至69.50分，降幅达26.8分，材料约束则小幅上升4.1分。
Qwen3 Max主榜暴跌12.9分 Gemini 2.5 Pro 96.99分领跑Smoke轻量榜
2026-07-04 Smoke轻量评测中，Gemini 2.5 Pro以主榜96.99分（执行100、约束93.3）登顶，Qwen3 Max主榜暴跌12.9分至72.02。GPT-o3与Gemini 2.5 Pro单日分别上涨24分和22.4分，执行与约束的强弱搭配成为今日核心分化点。
WDCD横评：业务规则场景最低1.55分 grok-4安全合规3.86夺冠
WDCD v3.1五大约束场景横评显示，业务规则场景全体得分最低，doubao-pro与qwen3-max仅1.55/4垫底；grok-4在安全合规拿下3.86/4最高分，同时在全部场景保持第一；Claude-sonnet-4.6工程规范与业务规则差距达1.76分，偏科最严重。